[自动驾驶]CarND-Vehicle-Detection

最新推荐文章于 2024-06-20 09:50:57 发布
最新推荐文章于 2024-06-20 09:50:57 发布
阅读量3.4k 收藏 6
点赞数 1
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dinosoft/article/details/78307366
版权
本文介绍了在自动驾驶背景下的车辆检测，使用了传统的HOG特征提取方法。通过学习HOG的计算细节，发现其对光照变化和物体平移有一定的鲁棒性，但特征表示较弱。在特征提取过程中，尝试了OpenCV和skimage库，并结合SVM进行学习。虽然滑动窗口搜索效率低下，但最终实现了基本的车辆检测。作者认为与深度学习方法相比，传统方法较为繁琐，计划后续尝试DL解决方案。
摘要由CSDN通过智能技术生成

听到Vehicle-Detection，我还以为是YOLO，SSD啥的，结果课程里用的是传统的HOG。Excuse me？就是各种论文里被用来踩一脚的SIFT、HOG？那也好吧，深刻体会体会传统方法有多弱鸡。

HOG

HOG之前简单了解过，不要既然要动手干活，还是得了解一些具体的计算细节。http://www.learnopencv.com/histogram-of-oriented-gradients/这篇文章讲得挺好的。

简单来看，HOG提取到的特征有点像低清版图像边缘，有一定鲁棒性，能容忍物体一些轻微光影变换和平移吧。但是特征降维得有点厉害，跟DL提取的特征没法比。不过如果精度要求不高，又想节约计算资源，HOG还是可以用用。

特征提取

用惯了opencv，一开始就查的opencv的api。

这里有tutorial，照猫画虎调用就行 http://www.learnopencv.com/handwritten-digits-classi

最低0.47元/天 解锁文章
Dinosoft
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
从零开始的无人驾驶 02：Vehicle Detection
天下一滑
11-05 592
在 CNN (Convolutional Neural Networks 卷积神经网络) 普遍运用之前，车辆检测是通过使用条件随机场或者SVM(支持向量机)来实现的。操作上分为两步，先是从图像上提取特征，然后基于特征建立模型，判断车辆位置。 template matching 模板匹配 对于图像上的每一块颜色，计算与背景图的distance 甚至更硬核一点，直接把各种可能的车辆图片存起来，然后跟...
CarND车辆检测：一种机器学习软件，可通过摄像头反馈检测附近的车辆
02-05
车辆检测 总览 在该项目中，目标是开发一个软件管道，以检测图像和视频中的车辆和车道线。 结合了机器学习和图像处理技术的组合，以实现所需的结果。 该项目的目标/步骤如下： 对标记的训练图像集执行定向梯度直方图（HOG）特征提取并训练分类器SVM分类器 应用颜色变换并将合并的颜色特征以及颜色直方图附加到HOG特征向量。 实施滑动窗口技术，并使用训练有素的分类器搜索图像中的车辆。 在视频流上运行管道。 估计检测到的车辆的边界框。 相依性 Python3 NumPy OpenCV 科学 scikit学习 电影Py Matplotlib 泡菜 用法 在图像上运行 要在一组图像上运行管道
CarND-Vehicle-Detection-master.zip
03-21
测试集，训练集，车辆识别，人工智能 人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
【车控宝典】— 开源项目CarND Controls Quizzes全面解析
最新发布
gitblog_00011的博客
06-20 335
????【车控宝典】— 开源项目CarND Controls Quizzes全面解析 项目地址:https://gitcode.com/udacity/CarND-MPC-Quizzes 在智能汽车与自动驾驶的浪潮中，每个细节都至关重要。今天，我们将深入探索一个名为CarND Controls Quizzes的开源项目，它专注于车辆模型与模型预测控制(MPC)，旨在帮助开发者和学习者掌握这一领域的核心技...
CarND-Vehicle-Detection
07-02
CarND-Vehicle-Detection，udacity的项目，亲自完成，anaconda可以直接运行，使用YOLOv3完成的。可自行研究
车辆检测--DAVE: A Unified Framework for Fast Vehicle Detection and Annotation
AI小作坊 的博客
03-31 2880
DAVE: A Unified Framework for Fast Vehicle Detection and Annotation ECCV2016本文使用深度学习进行车辆检测和属性学习。提出的系统为 Detection and Annotation for Vehicles (DAVE) DAVE 可以干什么了？如下图所示：DAVE 由两个模块构成：车辆检测模块 fast vehicle
翻译：Vehicle Detection on a Video Traffic Scene: Review and New Perspectives
zhou的博客
06-15 1146
Abstract-Vehicle detection applications play an important role in the reduction of the number of road accidents. In the same vein, this paper tends to summarize the recent advances in vehicle detectio...
GPS定位代码matlab-CarND-Kidnapped-Vehicle-Project:用于局部化的粒子过滤器
05-27
无人驾驶汽车工程师纳米学位课程 在C ++中实现二维粒子过滤器。 给粒子过滤器一个地图和一些初始定位信息（类似于GPS提供的信息）。 在每个时间步，过滤器都会接收观测和控制数据。 结果可视化 粒子数：20 Matlab...
颜色分类leetcode-CarND-Vehicle-Detection:使用SVM和深度学习分类器的单目车辆检测
07-06
颜色分类leetcode 车辆检测 使用两种不同的方法从单目 RGB 视频输入检测车辆 - 监督学习（支持向量机）和深度学习。 深度学习实现是两者中更成功的，因为它要快得多。 图像通过滑动窗口输入分类器，输出通过热图进行...
Vehicle Detection and Tracking in Car Video Based on Motion Model
10-15
Vehicle Detection and Tracking in Car Video Based on Motion Model--This work aims at real-time in-car video analysis to detect and track vehicles ahead for safety, auto-driving, and target tracing. This paper describes a comprehensive approach to localize target vehicles in video under various environmental conditions. The extracted geometry features from the video are projected onto a 1D profile continuously and are tracked constantly. We rely on temporal information of features and their motion behaviors for vehicle identification, which compensates for the complexity in recognizing vehicle shapes, colors, and types. We model the motion in the field of view probabilistically according to the scene characteristic and vehicle motion model. The Hidden Markov Model is used for separating target vehicles from background, and tracking them probabilistically. We have investigated videos of day and night on different types of roads, showing that our approach is robust and effective in dealing with changes in environment and illumination, and that real time processing becomes possible for vehicle borne cameras.
car-detection:基于YOLOv2的车辆检测系统
03-11
汽车检测 基于对YOLOv2的迁移学习内置的神经网络模型 训练集来自于drive.ai 项目图文介绍及核心代码见 如无法打开，可参考以下文字介绍 以下对项目实现原理做一个简要介绍 这是我在coursera的深度学习课程上完成的一个项目的源代码，属于一个自动驾驶项目的一部分，用于检测道路上的车辆及其他障碍物 数据的采集是通过汽车初步摄像头拍摄，输入数据是多个维度为（608,608,3）的RGB格式图片 输出是一个四维向量（19,19,5,85）的向量，最后一维结构为（p，x，y，h，w，c1，c2……c80）： p表示图片上检测出目标物体的概率，取值（0,1） x，y表示物体中心点坐标（这里需要注意的是这个坐标表示的是每个网格内的坐标而不是整个图片的） h,w表示用于标记物体的方格的高度和宽度 c1-c80表示可以识别的80种物体类型的概率，取值在（0,1），可以检测的物体类型在coc
Car-detection-demo.zip
06-21
车辆识别训练模型。这个都是全套的欢迎下载！！！！！！！！！！！
Car Object Detection汽车目标检测-数据集
03-18
YOLO（“您只看一次”）是一种流行的算法，因为它不仅具有很高的准确性，而且还可以实时运行，几乎每秒可以记录45帧。数据集包含所有视图中的汽车媒体。 sample_submission.csv train_solution_bounding_boxes (1).csv Car Object Detection_datasets..txt Car Object Detection_datasets..zip
CarFace-Detection-Adaboost.zip
09-13
基于opencv训练的cascade的车脸检测，带2个模型，vs2013下可以直接运行，对卡口车脸具有较好的识别效果，相应速度快。
CarND:无人驾驶汽车项目
05-14
自动驾驶汽车Nanodegree计划项目 指数 车道线 交通标志分类器 行为克隆 高级车道线 车辆检测与追踪 扩展卡尔曼滤波器 无味卡尔曼滤波器 绑架车辆 PID控制 模型预测控制 路径规划 语义分割-道路
机器学习基础(六) —— Car Detection With YOLO(V2)
alnlll的博客
05-06 1462
1、问题描述 应用需要解决的问题是在一段实际公路行驶视频中实时进行车辆检测并显示其位置及预测概率，这里使用的公路行驶录像如下(这段视频资料来自drive.ai)： https://github.com/Alnlll/ML/blob/master/several_apps/002-CarDetection/videos/road_video.mp4 实现车辆检测需要给出“车辆种类”、“车辆在图...
车辆检测“DAVE: A Uni ed Framework for Fast Vehicle Detection and Annotation”
cv_family_z的博客
04-05 2305
检测车辆的同时对车辆进行属性标记，DAVE包括两个网络，一个快速proposal网络FVPN，和一个属性学习网络ALN，属性学习获取车辆的姿态，颜色和类型。DAVE实现的功能如下图所示：快速车辆候选区域提取网络FVPN FVPN是一个浅层全卷积网络，有三个卷积层，最大池化和ReLU与前两个卷积层相连，第三个卷积层分成3个1*1的卷积层分支，conv_fc_class输出正负卷积softmax概率，
CNN第三周 Car detection with YOLO
PigWord的博客
08-05 683
第三周 Problem Statement 对于汽车检测系统来说，我们得到一些数据可以对这些数据做出的处理就是如下图： 如果想要识别m个分类，可以把分类标签c从1标记到m，或者把它变为m维的向量，后面使用预先训练好的权重来进行使用。 YOLO YOLO是目前比较流行的算法，在预测时只需要进行一次前向传播，在使用NMS后，与边界框一起输出识别对象 Model Details 需要注意： The input is a batch of images, and each image has the shape
carnd-mpc-project-master
10-19
carnd-mpc-project-master是一个自动驾驶汽车路径追踪控制器的项目。 该项目使用了模型预测控制（MPC）的方法来使自动驾驶汽车跟踪给定的路径。首先，通过收集车辆的传感器数据，如位置、速度和方向等，并结合车辆模型进行状态估计。接下来，根据给定的车辆模型和路径信息，使用MPC算法预测车辆未来的运动轨迹。MPC算法考虑了车辆的动力学限制以及路径跟踪误差，以寻找最佳的控制输入，例如转向角和加速度，来实现车辆的路径追踪。 在carnd-mpc-project-master中，主要包含了以下几个部分：模型、约束、误差目标以及目标函数。模型定义了车辆的动力学模型，通过车辆的状态与控制输入之间的关系来预测车辆的下一步行动。约束考虑了车辆的实际物理限制，如最大转向角、最大加速度等，以保证控制输入的可行性。误差目标是指车辆与目标路径之间的距离，目标函数通过考虑误差目标和约束，来寻找最佳控制输入，使得车辆能够最优地追踪给定的路径。 除了主要的控制器实现外，还提供了一些辅助功能，如路径生成、状态估计和传感器数据处理等。这些功能一起协同工作，实现了车辆的自动路径追踪。 Carnd-mpc-project-master通过实现高效的路径追踪控制器，可以使自动驾驶汽车更加安全、精确地跟踪所需的路径。该项目不仅提供了路径追踪的基本原理和算法，还提供了一个实际运行的系统，可以应用于真实道路环境中的自动驾驶汽车。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值